Riconoscimento del volto - Tecniche 3D e 3D+2D - Variabilità intra-classe
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Riconoscimento del volto
Tecniche 3D e 3D+2D
Annalisa Franco
annalisa.franco@unibo.it
Dario Maio
dario.maio@unibo.it
2
Variabilità intra-classe
Alcuni contenuti sono in parte ripresi dalla presentazione
http://www.dmi.unisa.it/people/nappi/www/SB/lezione7.pdf3
FRVT 2002
• FRVT2002 ha dimostrato che le performance degli algoritmi 2D
sono drasticamente ridotte se si usano immagini dello stesso
soggetto prese con illuminazioni molto diverse tra loro
(immagini indoor & outdoor prese nello stesso giorno).
4
FRVT 2002
“FRVT2000 and FRVT2002 show that one of the more difficult tasks for
modern facial recognition systems is recognising faces in non-frontal images.
Most facial recognition systems perform well when all of the images are
frontal. But, as a subject becomes more and more off angle (both horizontally
and vertically), performance decreases.”Source: Face Recognition Vendor
Test 2002, Overview and Summary, March2003.5
FRVT 2006
6
FRVT 20067
FRVT 2006
8
Invarianza rispetto alle variazioni del volto
Fattori Shape (3D) Appearance (2D)
Posa Sì No
Illuminazione Sì No
Espressione No No
Invecchiamento No No
Makeup Sì No
Accessori No No
Né i modelli 2D né quelli 3D offrono
un’invarianza rispetto a tutte le possibili
variazioni del volto9
Rappresentazione di un volto
2D
• Intensity Image: un’immagine bidimensionale in cui il valore di ogni pixel
rappresenta l’intensità della luce riflessa sul quel punto. Il colore di un pixel è
dipende da come la luce è riflessa sulla superficie.
2.5D
• Range Image: un’immagine bidimensionale in cui il valore associato a ogni pixel
rappresenta la distanza tra la sorgente e il punto
3D
• Shaded Model: una struttura di punti e poligoni connessi tra loro in uno spazio
a tre dimensioni
2D 2.5D 3D
10
Il riconoscimento 3D
• Vantaggi:
▫ Le tecniche 3D sono più efficaci di quelle 2D poiché il
modello 3D è molto più ricco di informazioni.
▫ Un sistema di riconoscimento 3D è più robusto rispetto a
cambiamenti di posa e illuminazione.
▫ Il modello 3D permette anche la generazione di pose
“virtuali” (es. con diverse espressioni del volto).
• Svantaggi:
▫ I dispositivi d’acquisizione 3D sono costosi (il costo aumenta
con la precisione di acquisizione).
▫ Alcuni sistemi di acquisizione 3D sono invasivi:
Tempi di acquisizione lunghi
Alcuni sistemi possono essere pericolosi per la retina (laser
scanner)
▫ Sostituire in un’organizzazione i dispositivi 2D (macchine
fotografiche, videocamere, ecc.) con nuove apparecchiature
3D è un processo che richiede tempo e costi elevati11
Rendering 3D (1)
• Vertici • Vettori liberi
Un vertice specifica la Un vettore è caratterizzato da
una direzione e una
locazione di un punto magnitudine (lunghezza)
Non ha dimensione Non ha locazione
È definito da una terna Una terna di valori (dx, dy, dz)
di coordinate (x,y,z) indica la direzione e il verso
del vettore
(x,y,z) (dx,dy,dz)
origine
12
Rendering 3D (2)
• Segmenti • Poligoni
Un segmento è un Un poligono è costituito da una
percorso lineare che sequenza “complanare” di punti
unisce due vertici uniti da segmenti
(x2,y2,z2)
(x1,y1,z1)
origine13
Rendering 3D (3)
• Mesh poligonale
Una mesh poligonale è un insieme
di poligoni che godono di alcune
proprietà tra cui:
• ogni lato appartiene almeno ad
una poligono
• ogni vertice ha almeno due lati
origine
14
Rendering 3D (4)
• Normali v3
• Una normale di un poligono è un n
vettore perpendicolare a un piano o
a un poligono
v2
• utile per comprendere la posa e
l’orientamento di un poligono v1
• La normale di un vertice è la
risultante della somma delle Normale al vertice v0
normali dei poligoni a cui il vertice
appartiene
• utile per comprendere la posa e
l’orientamento di un vertice Normale a
una superficie
v0
origine15
Rendering 3D (5)
• Texture mapping
Una texture aggiunge dettagli alla
superficie di un oggetto 3D
Problema: come assegnare
i pixel della texture?
16
Rendering 3D (6)
• È possibile assegnare un Un altro modo per assegnare i colori
colore ad un poligono; il a una mesh consiste nel mappare
poligono ha un singolo colore, un’immagine 2D lungo la superficie
uniforme, lungo la sua superficie. della mesh.
• È possibile assegnare un Texture: indica le mappe (immagini
colore a un vertice; il colore del bitmap o shader procedurali) che
poligono è la combinazione dei sono applicate sulle superfici dei
colori dei suoi vertici, che può poligoni degli oggetti 3D.
essere di diversi tipi, es:
flat: il colore del poligono è uno Texture Mapping: consiste nella
procedura utilizzata per calcolare la
ed è la somma dei colori dei
posizione e l’orientamento di una
vertici tessitura sulla superficie dell’oggetto
smooth: il colore del poligono 3D. Queste immagini in fase di
non è uniforme ma cambia rendering rappresentano il colore, la
all’avvicinarsi dei suoi vertici. luminosità, la riflessione, ecc. delle
superfici 3D.17
Rendering 3D (7)
• La mappatura di tipo planare • La proiezione è basata sulla
consiste in una specie di forma del cilindro che avvolge
proiezione piana dell’immagine completamente il modello 3D.
bitmap sulla superficie del • È impiegata per modelli 3D che
modello 3D. possono essere completamente
• È impiegata per oggetti che sono inclusi all’interno della forma del
relativamente piatti o totalmente cilindro.
visibili attraverso un angolo
qualsiasi della camera
Planar mapping Cylindrical mapping
18
Rendering 3D (8)
• Valgono considerazioni analoghe al cylindrical mapping
ma con riferimento ad altre forme geometriche
Box mapping Spherical mapping19
Rendering 3D (9)
• Rendering (presentazione fotorealistica) : processo di generazione di
un’immagine bidimensionale a partire da una descrizione (mesh) degli oggetti
tridimensionali.
• Il rendering di un modello 3D genera un’immagine bidimensionale (frame) che
rappresenta il modello da un preciso punto di vista.
20
Modelli del volto: possibili scenari
Query/Test
2D 3D
Uso di modelli 3D per
2D reperire immagini 2D!
Template
... ... ... ...
3D21
Fasi del riconoscimento 3D
Acquisizione
Pre-processing
Estrazione
feature
Identificazione/
verifica
22
Acquisizione 3D: camere stereoscopiche
• Acquisiscono un volto con due (o più) camere stereoscopiche.
• La superficie 3D risultante è generata a partire dalla coppia di
immagini.
▫ Sono sensibili alle variazioni d’illuminazione.
▫ Costo: basso.
▫ Qualità d’acquisizione: media.
▫ Tempo d’acquisizione: real-time.
Algoritmo di ricostruzione
1. Trovare le feature in una
delle due immagini
2. Cercare le stesse feature
nell’altra immagine
3. Calcolare la
corrispondenza tra la
coppia di feature per
trovare la coordinata z.23
Acquisizione 3D: Structured-Light Scanners (1)
• Gli scanner a luce strutturata
tipicamente proiettano un pattern
luminoso sul volto.
• La sorgente luminosa è solitamente una
luce alogena ordinaria, quindi non
causa problemi alla retina.
▫ Leggermente sensibili alle variazioni
d’illuminazione
▫ Costo: medio-elevato
▫ Qualità d’acquisizione: medio-elevata
▫ Tempo d’acquisizione: 3-8 secondi
24
Acquisizione 3D: Structured-Light Scanners (2)
• Il pattern luminoso è distorto a causa della superficie del volto.
• Possono essere utilizzati differenti pattern luminosi (griglie,
linee, cerchi, sinusoidi, ecc.).
• Gli scanner a luce strutturata catturano una superficie
completa da un particolare punto di vista. I dati provenienti da
punti di vista multipli possono essere combinati per creare un
modello 3D completo della testa.25
Acquisizione 3D: Laser scanner
• Gli scanner laser proiettano
un singolo fascio laser sul
volto.
• L’algoritmo di generazione del
modello 3D è simile a quello
utilizzato dagli scanner a luce
strutturata.
▫ La sorgente laser è invasiva e
pericolosa per la retina.
▫ Non sono sensibili alle
variazioni d’illuminazione.
▫ Costo: medio-elevato
▫ La qualità d’acquisizione è
elevata
▫ Tempo d’acquisizione: 6-30
secondi.
26
Dispositivi di acquisizione 3D
Enrollment Station – a Door Access Control –
structured light system uses “invisible” near-
infrared light
http://www.a4vision.com27
Dispositivi di acquisizione 3D
Minolta Vivid 910 scanner
Acquisition time ~ 1sec.
320x240 image size
Depth resolution < 0.1
mm
Intensity image 2.5D Range image Rendered image
28
Immagini 2.5D vs. modelli 3D (1)
• Una Range Image (o immagine 2.5D) è una immagine
bidimensionale che contiene al proprio interno
informazioni tridimensionali.
• Ogni pixel rappresenta un punto dello spazio il cui colore
indica la profondità del punto dalla sorgente (scanner).
Lo spazio colore può essere a toni di grigio o RGB (Red,
Green, Blue).29
Immagini 2.5D vs. modelli 3D (2)
• La generazione della mesh 3D avviene in due fasi:
1. generazione della nuvola di vertici (x,y,z) dove le coordinate x e y
sono equidistanti mentre il valore della coordinata z varia in
dipendenza del colore del pixel (z rappresenta infatti la profondità)
2. Triangolarizzazione della nuvola dei punti (mesh di triangoli
adiacenti)
30
Immagini 2.5D vs. modelli 3D (3)31
Morphable models (1)
Un sistema d’acquisizione atipico è quello che sfrutta una tecnica tradizionale
della computer graphics, il morphing. A partire da un modello 3D iniziale si
ottiene un altro modello 3D finale. I morphable model sono dunque
rappresentazioni dinamiche della superficie del volto, che contengono
informazioni sulla struttura dinamica (ad esempio muscolatura facciale) in
aggiunta alle informazioni sulla geometria.
Sono sensibili alle variazioni d’illuminazione
costo : basso, qualità d’acquisizione: media, tempo d’acquisizione: > 1 minuto.
Generazione del modello 3D finale
1. Si acquisiscono due o tre immagini
fotografiche del volto (frontale,
laterale, diagonale)
2. Si cambiano la forma e i colori di
un modello generico di volto
(morphable model) in accordo al
contenuto delle immagini.
3. Si genera la texture combinando le
due o tre immagini.
32
Morphable models (2)
I morphable model consentono di generare differenti espressioni facciali
sintetiche che possono essere sfruttate al fine di prevedere le espressioni facciali
reali che un individuo può avere durante il processo di acquisizione.
Facegen Modeller (http://www.facegen.com/modeller.htm) è uno strumento
commerciale in grado di modellare diverse espressioni facciali nonché molteplici
aspetti diversi tra cui:
gender morphing age morphing
race morphing33
Pre-processing (1)
I sistemi di scansione tridimensionale sono affetti da errori di
acquisizione per cui si rende necessario operare alcuni accorgimenti:
• Noise removal: spikes (filters), clutter(manually), noise(medianfilter)
• Holes filling (Gaussian smoothing, linear interpolation, symmetrical
interpolation)
34
Pre-processing (2) – sub-sampling
• Mesh poligonali molto accurate possano essere computazionalmente
onerose da gestire, dunque è spesso necessario operare una
semplificazione
• Usualmente si applica un algoritmo incrementale che rimuove un
vertice alla volta e ripara il buco lasciato.
• Obiettivo: rimuovere il maggior numero possibile di vertici facendo
in modo che la risultante maglia semplificata sia una buona
approssimazione della mesh originale.35
Pre-processing (3) – smoothing
Operazione che consente di levigare gli angoli tra i poligoni al fine di
creare una superficie più liscia.
Tipico algoritmo:
Calcolare la curvatura locale α tra un insieme di vertici vicini.
Se α contiene un punto p di massimo o di minimo più grande di un
valore di soglia t “smussare” la superficie sostituendo p con il valore
medio dei punti adiacenti.
prima e dopo lo smoothing
36
Pre-processing (4) – allineamento
Principali punti di repere nell’anatomia di un volto
I punti possono essere localizzati sulle immagini 2D oppure
direttamente sul modello 3D acquisito.
1. localizzare un numero finito di punti caratteristici di un volto (es. angolo
degli occhi, punta del naso, centro della bocca);
2. allineare (rotazione, traslazione, scala) i volti riducendo la distanza tra
punti corrispondenti al minimo37
Estrazione feature (1)
Alcuni metodi d’estrazione
e analisi delle feature 3D
sono indipendenti
dall’orientamento; non è
richiesto in tal caso alcun
allineamento.
Gli algoritmi di
riconoscimento facciale 3D
operano spesso sull’analisi
della curvatura locale e
globale del modello del
volto.
38
Estrazione feature (2) – analisi curvatura
Crest Lines: si individuano le zone a maggior curvatura
Local Curvature: si rappresenta la curvatura locale con un colore
Local Features: il volto è segmentato in alcune zone d’interesse39
Classificazione e verifica
I metodi di classificazione hanno l’obiettivo di archiviare, organizzare e
indicizzare i modelli 3D in un database.
I metodi sono analoghi a quelli applicati per il 2D ma adattati al caso
3D (PCA, non-linear PCA, Fisher mapping, …).
La verifica d’identità si ottiene misurando la distanza (euclidea, di
Manhattan, di Chebychev, ..) tra coppie di feature facciali e fissando un
valore di soglia.
4041
Il sistema di riconoscimento 3D
1. X. Lu, D. Colbry, A.K. Jain, “Three-Dimensional Model Based Face Recognition, In Proc. International Conference on Pattern Recognition,
2004.
2. X. Lu, A.K. Jain, D. Colbry, “Matching 2.5D Face Scans to 3D Models”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.
28, no. 1, pp. 31-43, 2006.
42
Costruzione del modello 3D
2.5D Scans 3D Model
• Creazione del modello 3D a partire da 5 immagini 2.5D
utilizzando software commerciali (Geomagic Studio e
Rapid Form);
• Rimozione del rumore e riempimento dei buchi
• Semplificazione del modello (riduzione a 50.000 poligoni).43
Rappresentazione del modello 3D
Mesh associata
Modello 3D con texture
44
Matching di superfici45
Estrazione dei feature point
• A partire da un’immagine 2.5D sono individuati 3 feature point che
permettono:
▫ di calcolare la trasformazione rigida per l’allineamento dell’immagine
2.5D e il modello 3D;
▫ di allineare una griglia di punti di controllo usata poi per l’allineamento
finale.
• La localizzazione dei feature point avviene sulla base di un indice di
forma (shape index), valutato in ogni punto dell’immagine 2.5D.
• Lo shape index nel punto p è definito usando il valore massimo (k1) e
quello minimo (k2) della curvatura locale.
1 1 κ ( p) + κ 2 ( p)
S ( p) = − tan −1 1
2 π κ1 ( p ) − κ 2 ( p )
• Lo shape index assume valori nell’intervallo [0,1].
• Il valore calcolato è indipendente dal sistema di coordinate e può
quindi essere usato per la ricerca di punti simili in immagini 2.5D
con pose diverse.
46
Shape index47
Localizzazione dei feature point
Gli angoli interni degli occhi hanno un valore di shape
index molto vicino a 0
I feature point sono usati per un allineamento
approssimativo
48
Allineamento approssimativo
• La trasformazione rigida T è approssimata
sulla base della corrispondenza di tre feature
point:
T = Tc p ⋅ R p t ⋅ Θ ⋅ RA ⋅ TC −a
dove
▫ T è la trasformazione totale dal set di punti a al
set p;
▫ TC-a: traslazione che porta il centroide del
triangolo a nell’origine degli assi;
▫ Ra: rotazione nel piano xy;
▫ [: rotazione ottimale ai fini dell’allineamento
dei vertici nel piano xy;
▫ Rpt rotazione al di fuori del piano xy nel sistema
di coordinate di p;
▫ TCp traslazione dei vertici in modo che i
centroidi dei due set coincidano.
D. M. Weinstein, “The Analytic 3-D Transform for the Least-Squared Fit of Three Pairs of Corresponding Points”, School of Computing Technical
Report, no. UUCS-98-005, Univ. of Utah, 1998.49
Allineamento preciso
• L’allineamento è effettuato usando
l’algoritmo Iterative Closest Point (ICP).
• L’algoritmo prevede l’uso combinato di
caratteristiche geometriche di tipo
differente (punti, superfici, linee, curve)
che, estratte dai volumi da correlare, sono
poi descritte come un insieme di punti.
• Per ogni punto di riferimento è identificato
il punto del volume da registrare
geometricamente più vicino ed è poi
calcolata la trasformazione che minimizza
ai minimi quadrati la distanza tra le coppie
di punti.
• Si applica la trasformazione identificata e
si ripete la procedura di allineamento fino
a convergenza.
1. P. Besl, N. McKay, “A Method for Registration of 3D Shapes”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14, no.
2, pp. 239-256, 1992.
2. Y. Chen, G. Medoni, “Object Modeling by Registration of Multiple Range Images”, Image and Vision Computing, vol. 10, no. 3, pp. 145-155,
1992.
50
Selezione dei punti di controllo
Right profile Frontal scan Left profile
• Caratteristiche dei punti di controllo:
▫ regioni meno deformabili a causa di espressioni del volto;
▫ nel complesso offrono la maggior copertura possibile del volto.51
Esempi di allineamento (1)
Test scan
Matching con modello vero Matching con impostore
52
Esempi di allineamento (2)
Test scan
Matching con modello vero Matching con impostore53
Matching
• Per il matching si utilizza la distanza minimizzata
dall’algoritmo ICP in fase di allineamento:
d 2 (Ψ ( pi ), Si )
1
∑
Nc
MDICP = i =1
Nc
▫ d(.,.) è la metrica di distanza di un punto da un piano;
▫ Ψ(. ) è la trasformazione rigida applicata a ciascun punto di
controllo pi nell’immagine 2.5D di test;
▫ Si è il piano tangente corrispondente a pi nel modello 3D
▫ Nc è il numero di punti di controllo.
• Inoltre a ogni punto di controllo è associato un valore di shape
index.
• Lo score finale si ottiene correlando i valore di shape index tra
i due set di punti di controllo e la distanza ottenuta
dall’algoritmo ICP, normalizzando opportunamente i valori e
usando la regola della somma per la fusione.
54
Risultati sperimentali: database
Training scans for 3D model construction
Test scans
• 100 modelli 3D
• Scansioni del volto multi-view
• Espressioni del volto variabili (es. sorriso)
• 598 immagini 2.5D di test55
Risultati sperimentali
Immagini di test
(con espressione variabile e dati mancanti)
Categoria immagine di test Accuratezza
Frontale, espressione naturale (99) 98% (2)
Accuratezza
Profilo, espressione naturale (213) 97% (7) complessiva
Frontale, sorridente (98) 71% (28) 87%
Profilo, sorridente (188) 78% (41)
Correct Matches
Test scans (top row), and the corresponding 3D models
correctly matched. The 3D model is shown in a pose similar
to the corresponding test scanMatching Errors
Test scans (top row), and the corresponding 3D models. The 3D model
is shown in a pose similar to the corresponding test scan
5859
Riconoscimento 3D-2D
• Idea di base:
▫ Usare il modello 3D solo in fase di training per la generazione di
immagini del volto con pose e illuminazioni variabili.
▫ Il riconoscimento avviene solo sulla base di immagini 2D.
• Vantaggi:
▫ L’uso del modello 3D in fase di training permette la creazione di
un template molto robusto.
▫ Il riconoscimento è basato su semplici immagini 2D che non
richiedono particolari apparecchiature di acquisizione.
▫ La creazione del template degli utenti ha una complessità elevata
(confrontabile con quella di altri metodi 3D), ma il riconoscimento
è molto efficiente poiché basato su immagini 2D.
A. Franco, D. Maio, D. Maltoni, “2D Face Recognition based on Supervised Subspace Learning from 3D Models”, Pattern Recognition, vol.41,
no.12, pp.3822-3833, 2008.
60
Enrollment Generazione di immagini
2D virtuali
Acquisizione di 3 Partizionamento delle
immagini 2D e creazione immagini virtuali
del modello 3D
Creazione
sottospazi KL
Estrazione di
feature61
Riconoscimento
Acquisizione di una
Riconoscimento in base alla minima
singola immagine 2D
distanza dallo spazio
Estrazione di
feature
{
I = I α i , β j ,γ k ,θ l i = 1,..., nPo, j = 1,..., nPv, k = 1,..., nLo, l = 1,..., nLv} 62
Generazione delle immagini virtuali (1)
• La generazione delle immagini virtuali è controllata da 4 parametri:
▫ Posa:
Yaw e Pitch
▫ Illuminazione:
Azimuth e Zenith
• Per ogni individuo viene generato un insieme di immagini I variando con
passo discreto i 4 parametri.
z
Yaw
r
Zenith
y
Pitch
Azimuth
x{ }
I = I α i , β j ,γ k ,θ l i = 1,..., nPo, j = 1,..., nPv, k = 1,..., nLo, l = 1,..., nLv
63
Generazione delle immagini virtuali (2)
• L’insieme di immagini di training generate è:
{
I = I α i ,β j ,γ k ,θl i = 1,..., nPo, j = 1,..., nPv, k = 1,..., nLo, l = 1,..., nLv }
• I parametri α e β controllano le variazioni di posa e
rappresentano rispettivamente i valori di Yaw e Pitch. nPo
e nPv indicano rispettivamente il numero di angoli
considerati per Yaw e Pitch.
• i parametri γ e θ controllano le variazioni di illuminazione
e rappresentano rispettivamente i valori di Azimuth e
Zenith. nLo e nLv indicano rispettivamente il numero di
angoli considerati per Azimuth e Zenith.
• Un generico angolo α i,i=2,...,nPo, è dato da α i = α1 + (i − 1) × ∆α
dove ∆α è il passo d’incremento.
{ }
I = I α i , β j ,γ k ,θ l i = 1,..., nPo, j = 1,..., nPv, k = 1,..., nLo, l = 1,..., nLv
64
Definizione dei sottoinsiemi di immagini
• Le immagini di training vengono organizzate in s sottoinsiemi (non
necessariamente disgiunti):
i = po,..., po + d − 1, j = pv,..., pv + d − 1,
Ppo, pv,lo,lv = X α i , β j ,γ k ,θl
k = lo,..., lo + d − 1, l = lv,..., lv + d − 1
po ∈ [1,..., nPo − d + 1] pv ∈ [1,..., nPv − d + 1] lo ∈ [1,..., nLo − d + 1] lv ∈ [1,..., nLv − d + 1]
• dove d rappresenta il numero di pose/illuminazioni consecutive
considerate.
nLv
…
lv+d-1
…
lv d=3
…
1
…
1 lo … lo+d-1 …
nLo65
I sottoinsiemi
• Il numero totale di sottoinsiemi per ogni
soggetto è determinato dal parametro d e dalla
sovrapposizione (ov) tra sottoinsiemi adiacenti:
nPo − ov nPv − ov nLo − ov nLv − ov
s= × × ×
d − ov d − ov d − ov d − ov
66
Prove sperimentali: database MIT-CBCL
• 59 immagini 2D a elevata risoluzione, alcune delle quali usate per la
creazione dei modelli 3D.
• 3240 immagini 2D virtuali (324 per ogni individuo) generate dai
modelli 3D.
• 2000 immagini 2D di test, con notevoli cambiamenti di posa, scala e
illuminazione.
• Per la localizzazione del volto è stato usato il localizzatore di
Viola/Jones.67
Risultati sperimentali
100 0,0010 0,0100 0,1000 1,0000
90 1,000
FAR
80
FRR
70
60
50
40 0,100
KL_2D
30 MKLU_2D
20 KL_2D MKLU_2D KL_3D KL_3D
10 MKLU_3D
MKLU_3D MKLS_3D
MKLS_3D
0
k 1 2 3 4 5 10 15 0,010
Accuratezza Curva DET
68
Prove sperimentali
0000 0001 0002 0003 0004
ID RR EER
0000 100.00 12.97
0001 100.00 7.61
0002 100.00 9.67
0003 99.50 13.61
0005 0006 0007 0008 0009 0004 99.00 15.03
0005 97.50 17.17
0006 100.00 9.47
0007 100.00 20.19
0008 95.50 22.97
0009 85.00 39.58
Immagini di test
acquisite 6 mesi dopo il
training…Puoi anche leggere
